基于时序图的智能配电通信网智能体实时任务卸载算法OA

未来电力通信网络将面临海量具身智能体(Embodied Artificial Intelligence Agent,EAI Agent)交互引发的网络拥塞、高资源消耗与任务响应延迟等严峻挑战。在此背景下,多接入边缘计算(Multi-access Edge Computing,MEC)作为关键使能技术,其场景下的实时任务卸载需求变得尤为迫切,但传统方法难以应对智能配电通信网中动态拓扑变化与多智能体协同带来的复杂耦合问题。为此,提出一种基于时序图与图强化学习(Temporal Graph Reinforcement Learning,T-GRL)的实时任务卸载优化框架。该框架以用户终端为中心,核心思路是将多个EAI Agent的网络动态变化情况抽象为图数据,通过构建动态时序图精准刻画配电终端与边缘EAI Agent之间的动态接入关系,进而使T-GRL能够有效识别任务的时序特性、理解时序依赖与演化规律,为实时任务卸载决策提供核心支撑。针对复杂耦合的依赖应用任务,提出了一种基于图神经网络(Graph Neural Network,GNN)的任务卸载机制,通过GNN聚合时序图数据,学习时序图特征向量,推理得到任务卸载决策。T-GRL将GNN与演员-评论家(Actor-Critic)网络相结合,将GNN推理框架构建为Actor网络,并基于经验回放数据训练GNN,通过探索与快速学习更新网络参数以逼近最优解。仿真结果表明,T-GRL在能效成本和任务完成时间方面优于传统方法,在不同情境下,T-GRL的能效成本相比DROO、近端策略优化(Proximal Policy Optimization,PPO)等方法降低约15%~20%。该研究为电力通信网络中多智能体协同任务卸载提供了一种高效、可扩展的解决方案,同时,结合智能配电通信网中巡检终端移动性强、链路状态波动明显、业务任务具有时延敏感与依赖执行等特点,构建了与配电业务相匹配的系统模型和仿真场景,提高了所提方法在电力通信场景中的针对性与工程解释性。